Détection et estimation en environnement non gaussien

par Frédéric Pascal

Thèse de doctorat en Traitement du signal

Sous la direction de Philippe Forster.

Soutenue en 2006

à Paris 10 .

mots clés

• Détection du signal
• Radar
• Analyse de covariance
• Estimation, Théorie de l'

Résumé

"Dans le contexte très général de la détection radar, les détecteurs classiques, basés sur l’hypothèse d’un bruit Gaussien, sont souvent mis en défaut dès lors que l’environnement (fouillis de sol, de mer) devient inhomogène, voire impulsionnel, s’écartant très vite du modèle Gaussien. Des modèles physiques de fouillis basés sur les modèles de bruit composé (SIRP, Compound Gaussian Processes) permettent de mieux représenter la réalité. Ces modèles dépendent cependant de paramètres (matrice de covariance, loi de texture, paramètres de "disturbance") qu’il devient nécessaire d’estimer. Une fois ces paramètres estimés, il est possible de construire des détecteurs radar optimaux (Generalized Likelihood Ratio Test - Linear Quadratic) pour ces environnements. Cette thèse, qui s’appuie sur ces modèles, propose une analyse complète de diverses procédures d’estimation de matrices de covariance, associées à ce problème de détection. Elle décrit également les performances et les propriétés théoriques (SIRV-CFAR) du détecteur GLRT-LQ construits avec ces nouveaux estimateurs. Celles-ci sont analysées sur des données simulées mais également testées sur des données réelles de fouillis de sol. Les principaux résultats élaborés dans ce travail sont, tout d’abord, rappelés de manière détaillée dans les conclusions générales. Plusieurs propositions, non exhaustives, de direction de recherche restant à explorer sont proposées dans le paragraphe des perspectives. "

Titre traduit

Detection and estimation in non gaussian noise

Résumé

In the very general context of radar detection, traditional detectors, based on the assumption of Gaussian noise, are often put at fault since the environment (clutter of ground, of sea) becomes inhomogeneous, even impulse, deviating very quickly Gaussian model. Physical models of tumbles based on models of compound noise (Spherically Invariant Random Processes, Compound Gaussian Processes) provide a better representation of the reality. However, these models depend on several parameters, like the covariance matrix, the distribution of the texture and parameters of “disturbance”, and it becomes necessary to estimate them. Then, after the estimation of these parameters, it is possible to build optimal radar detectors like the well-known Generalized Likelihood Ratio Test - Linear Quadratic, associated to these noise models. This thesis, based on these models, provides a complete analysis of different methods to estimate the covariance matrices, associated to the detection problem. It also describes performance and the theoretical properties (SIRV-CFAR) of detector GLRT-LQ built with these new estimators. These estimates are analyzed on data simulated but also tested on real data of ground clutter. The main results worked out in this work, first of all, are pointed out in a way detailed in the general conclusions. Several proposals, non-exhaustive, of direction of research remaining to be explored are proposed in the paragraph of the prospects.